基于深度置信网络的农用地基准地价评估模型构建探索论文_何晓波

何晓波

广东恒正不动产评估有限公司 广东惠州 516000

摘要:农用地基准地价评估模型的构建是建立在对土地级别和价格等内容系统分析基础上的,通过一定的技术手段对土地进行等级划分,进而准确预估出农用基地基准价。基于此,本文将对深度置信网络技术的基本理论进行分析,简述农用地基准地价评估的主要问题及思路,并结合辽宁省凌海市的自然情况,在深度置信网络背景下,探寻农用地基准地价评估模型的构建模式。

关键词:深度置信网络;农用;地基;准地价;评估;模型

农用地基准地价评估工作的有效开展对农业供给侧结构性改革具有重要的推动作用,是农村用地深化改革的一项重要举措,这不仅为我国科学、统一管理农用土地合理发展提供了可供参考的数据信息,还对优化农村土地经营管理工作起着不可估量的作用。

一、深度置信网络的理论基础

一般来说,深度置信网络是利用隐层感知器和多层神经网络学习算法将低层特征形成转化为抽象高层,通过这种新兴的学习算法得出层次化的特征表示,进一步提升分类和预测信息的精准程度。深度置信网络融合了有、无监督学习,主要是由受限的玻尔兹曼机和反向传播网络构成的网络神经网络,通过无监督的学习方式训练无监督的受限玻尔兹曼机,然后再对其进行精微调整。

RBM是受限玻尔兹曼机的英文简称,主要是由一个可视层和一个隐含层构成的,他们分别用v和h来表示,将二部图之间的关系利用权重加以接连,用w表示,同层单元则无需连接。可视层和隐含层中的可见节点和隐含节点使用权值wij表示,并确保wij=wji,0<i<m,0<j<n。

受限玻尔兹曼机利用抽样的方式适时调整连接权值的偏置参数,并通过无监督学习的方式让隐含特征信号h还原,以此缩小v'与 v 之间的误差。因为不能精准确定概率变化斜率计算的实际步长,这时就可以采用比散斜度算法提升受限玻尔兹曼机训练过程的准确性。

二、农用地基准地价评估的影响因素及模型构建思路

自然条件、经济发展水平和所处位置都是制约农用地基准地价评估需要分析的重要因素,最终结果可通过各项影响因素清晰地展示出农用基准地价的结构性特质,还折射出风俗人情等社会人文信息对其的产生的波动性影响表现。从根本上来说,农用地基准地价评估就是在综合分析影响因素的前提下,通过评估模型的构建地价、各种限制条件,利用映射关系推导出不同空间区域的农用地基准价的评估价格,进而为均质区域内的基准价评估提供可供参考的数据信息。

结合同一市场供需量来看,我国农用基准地价评估应采用土地基本条件均衡、等级相当的土地,通过市场价格原理把农用土地按照一定的优劣等级进行划拨,并进行区域分类。随后在同一等级、同一类型的农用地基中按照土地收益情况和已成交项目交易价格,预估出不同级别、不同土地自然条件、土质基本均质区域的农用基准地价收益和价格,从而准确评估出农用地基准地价[1]。

三、深度置信网络背景下的农用地基准地价评估模型的构建方式

凌海市地图

本文的研究区域及数据资料来源为辽宁省凌海市,该市位于辽宁省的西部,由低山丘陵构成,该区域内的平均海拔为552米,地势呈现西南和北部高、东南低的态势,最低点在该市南部,平均海拔仅为280米。褐土占凌海市土壤总面积的85%以上,土壤有机质和全氮含量偏低。本文的数据来源是在全市范围内通过实践考察得来的,并通过电子地图进行位置精准查找,以此保证数据信息的可靠性,对于每个土地样点的农作物产量、农用地使用权转让、土壤开发使用等内容进行全面收集和整合。

本调查对凌海市水稻田、旱地及菜地的实际产量、人力与物力的投入、生产所需种子及化肥费用、农产品的市场价格等进行收集和整理,效的样点共计360个。通过收益还原的方式对农用地基准地价进行计算,并把地价修正到农用地基准地价的标准价格[2]。

利用深度置信网络构建起农用地基准地价评估模型,通过模型的输入层、多层受限玻尔兹曼机和误差逆传播算法训练的多层前馈网络层的精微调整,输入层的土地价格影响因素设置成xl,输出层为评估地价为yl。

利用z-score的方法对收集得来的数据进行统一处理,公式z=(x-Φ)/σ中z代表了归一化处理后的数据特征值,x代表了某一具体实际特征值,Φ 则代表了平均数,σ则代表了标准差。通过归一化处理主要是为了达到深度网络置信的对特征数据输入格式的基本要求,从而消解不同因素对地价评估的影响。

将收集得来的土地原始资料样本依据一定的比例划分成训练样本与测试样本集合,并将样本集合设置成Y。将训练成本的D维特征作为样本预训练的输入项,将低价向量Y作为输出项,通过层级无监督的方式来训练模型中的受限玻尔兹曼机。将每一层级的可视层和隐藏层设置成hj和vj,按照下列式子进行计算, ,bj 代表了可视层的偏置量,ci 则代表了隐含层的偏置量,参数空间分别用w、b和c来表示。

微调整处理:通过有监督学习的方式对BP网络进行训练,也是把最后一层级的受限玻尔兹曼机的输出从误差逆传播算法训练的多层前馈网络输入端口转至输出端口,再结合前项传播的输出结果和预期值进行反向传播,从而实现了对深度置信网络各项参数进行微调,以此达到既定数值[3]。

模型测试及地价评估:把需要测试的信息数据输入到训练达标的深度置信网络中,通过公式 计算得出平均评估误差λ,把它当做衡量深度置信网络评估性能的标准之一,式子当中的Ytest代表样本中信息中的实际地价值,Ntest 代表着测试样本数量值,Y则代表了评估模型的输出地价值。?评估单元地价值的计算:将需要评估信息数据的单元特征值进行量化处理,依据公式z=(x-Φ)/σ进行归一处理,并将数值输入到训练好的深度置信网络模型中,即可得出需要评估单元的地价值。通过总分频率的方式,并将所需评估单元的输出地价值作为划分单元级别的重要参考数据,利用道路、农用土地的权限、线状地物验证划分级别的准确性[4]。

对于不同级别的土地而言,因为不能准确得出农用地基准地价,就可采用如下方式进行预估:通过对差异化的样地资料测算出该类型土地的实质性收益,再通过各种类型样地的收益和基本条件搭建起土地收益和土地质量之间的密切关系,然后再通过这些关系和土地的自然情况计算出土地的收益值,这也就是农用地基准地价的评估结果;收集得来的大量数据资料是计算出土地价格的重要依据,各种类型的农用样地的平均价格数值,也就是我们所需的基准地价。对于土地基本条件均质区域范围内的基准地价来说,它是建立在区域归类的基础上的,区域归类完成后,最后再对同一类别区域的旱地、水田、样地等地价资料进行基准地价评估模型的构建。深度网络置信的背景下,评估基准地价的基本形式主要是利用深度置信网络计算得出均质区域内所使用的各种收益得出基准地价[5]。

结束语

综上所述,深度置信网络背景下,对于农用地基准地价评估来说,应采用精准的调研方式为地价评估研究提供精准数据和可行的方法,从而为模型构建创新发展新渠道贡献力量。经过对农用地价样本信息数据的训练结果的推导,可知深度置信模型的精准度极高。对此,只有不断完善深度置信网络农用地基准地价评估模型的构建模式,才能不断提升基准地价评估的结果的准确性,也就是说,采用这种评估模型构建的形式对地价评估数值更为准确。

参考文献:

[1] 黄海,刘学,鲜玲. 基于GIS技术的城镇基准地价评估[J]. 技术与市场,2018,v.25;No.294(6):119-120.

[2] 引入深度学习的城市基准地价评估模型研究[J]. 中国土地科学,2018,32(9).

[3] 王华,罗平,赵志刚,et al. 基于深度置信网络的农用地基准地价评估模型[J]. 农业工程学报,2018,34(21):271-279.

[4] Sampathkumar V,Santhi M H,Vanjinathan J. Forecasting the land price using statistical and neural network software[J]. Procedia Computer Science,2015,57:112-121.

[5] Schmidhuber J. Deep learning in neural networks:an overview[J]. Neural Networks the Official Journal of the International Neural Network Society,2015,61:85-117.

论文作者:何晓波

论文发表刊物:《建筑细部》2018年第28期

论文发表时间:2019/8/26

标签:;  ;  ;  ;  ;  ;  ;  ;  

基于深度置信网络的农用地基准地价评估模型构建探索论文_何晓波
下载Doc文档

猜你喜欢